Despite the remarkable progress in deep-learning based facial recognition approaches in recent years, in terms of identification performance, they still have limitations. These limitations relate to the database used in the learning stage. If the selected database does not contain enough instances, the result may be systematically affected. For example, the performance of a facial biometric system may decrease if the person to be identified was enrolled over 10 years ago. The factor to consider is that this person may experience changes in the texture of the face, particularly with the appearance of wrinkles and sagging skin. These changes may be highlighted by weight gain or loss. To counteract this problem, researchers have developed models for face aging or digital de-aging. It is used to compensate for the differences in facial characteristics, which appear over a given time period.::최근 몇 년 동안 딥러닝 기반의 얼굴 인식 접근법의 눈에 띄는 발전에도 불구하고, 식별 성능 측면에서 여전히 그것은 한계를 가지고 있다. 이러한 한계는 학습 단계에서 사용되는 데이터베이스와 관련이 있다. 선택된 데이터베이스가 충분한 사례를 포함하지 않으면 그 결과가 시스템적으로 영향을 받을 수 있다. 예를 들어 식별될 사람이 10년도 더 전에 등록된 경우 안면 생체 측정 시스템의 성능이 저하될 수 있다. 고려해야 할 요인은 이 사람이 특히 주름과 처진 피부가 나타나는 것을 동반한 얼굴의 질감 변화를 경험할 수 있다는 것이다. 이러한 변화는 체중 증가 또는 감소에 의해 두드러질 수 있다. 이 문제에 대응하기 위해 연구자들은 얼굴 노화나 디지털 노화 완화의 모델을 개발했다. 그것은 주어진 기간 동안 나타나는 얼굴 특성의 차이를 보완하는 데 사용된다.